XNews

上下文工程与长期运行的人工智能代理

上下文工程与长期运行的人工智能代理

多篇文章记录了在长期运行的人工智能代理和RAG系统中保持可操作上下文的技术和标准。

Key insights

上下文压缩必须保留任务关键细节

对人工智能代理上下文压缩策略的评估发现,极端压缩往往会丢弃低熵但关键的文物(文件路径、错误日志)。所提议的“锚定迭代摘要”(工厂方法)保持结构化的持久摘要(意图、文件更改、决策、下一步),并在任务连续性方面优于OpenAI和Anthropic的模糊高压缩方法。

上下文工程成为核心系统护城河

Box首席执行官Levie框定了这一转变:代理失败将从逻辑限制转向信息不对称。“上下文工程”必须提供跨领域专家所需的数据的精确维度和密度。Levie列举了技术支柱:检索、启发式排名、系统提示和状态空间优化,并强调以计算驱动的信息处理作为竞争壁垒。

Agentic RAG生产模式正在成熟

一个名为“Agentic RAG for Dummies”的GitHub项目被强调为一种生产就绪的方法:它使用对话记忆、层次索引、小切片搜索与大切片回调、多代理并行处理和主动澄清问题。该项目包括Gradio UI、PDF→Markdown管道、Docker部署和快速本地部署的笔记本。

开放标准“代理技能”加速互操作性

代理技能被引入为一种开放的基于文件系统的技能格式(SKILL.md带YAML前言)。技能逐步加载:代理在启动时加载元数据,并在任务匹配时获取完整内容。Anthropic、Claude/Claude Code、Microsoft VS Code/GitHub Copilot等产品正在采用技能,支持可重用的技能包、增量加载和企业知识捕获。

前端代理案例研究将重点从技术成功转向产品适配

一项FEDay案例研究讲述了一个团队从技术代理实施到产品失败的转变,然后升级他们的认知框架。叙述强调了产品级指标、循环中的人点和用户体验调整,这些都是将代理从演示转向生产所需的。

Source posts